JP7063389B2 - 処理装置、処理方法、およびプログラム - Google Patents
処理装置、処理方法、およびプログラム Download PDFInfo
- Publication number
- JP7063389B2 JP7063389B2 JP2020547701A JP2020547701A JP7063389B2 JP 7063389 B2 JP7063389 B2 JP 7063389B2 JP 2020547701 A JP2020547701 A JP 2020547701A JP 2020547701 A JP2020547701 A JP 2020547701A JP 7063389 B2 JP7063389 B2 JP 7063389B2
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- output
- prediction
- prediction formula
- sensors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims description 98
- 238000003672 processing method Methods 0.000 title claims description 38
- 238000011156 evaluation Methods 0.000 claims description 89
- 238000001514 detection method Methods 0.000 claims description 70
- 238000000605 extraction Methods 0.000 claims description 68
- 238000010801 machine learning Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 12
- 238000010926 purge Methods 0.000 claims description 8
- 239000000356 contaminant Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 66
- 239000013598 vector Substances 0.000 description 22
- 238000003860 storage Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000012528 membrane Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002156 mixing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011261 inert gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/02—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by absorbing or adsorbing components of a material and determining change of weight of the adsorbent, e.g. determining moisture content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Description
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出手段と、
前記抽出手段で抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力手段とを備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する。
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力手段とを備える。
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出ステップと、
前記抽出ステップで抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力ステップとを含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する。
複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力ステップとを含む。
本発明の処理方法の各ステップをコンピュータに実行させる。
図1は、第1の実施形態に係る処理装置20の構成を例示する図である。本実施形態に係る処理装置20は、予測式生成手段210および出力手段250を備える。予測式生成手段210は、複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する。出力手段250は、予測式を示す情報として、予測式における複数の特徴量に対する複数の重みを、それぞれ特徴量に関連づけて出力する。以下に詳しく説明する。
(1)センサ10は、K種類の分子を含む対象ガスに曝されている。
(2)対象ガスにおける各分子kの濃度は一定のρkである。
(3)センサ10には、合計N個の分子が吸着可能である。
(4)時刻tにおいてセンサ10に付着している分子kの数はnk(t)個である。
図7は、第2の実施形態に係る処理装置20の構成を例示する図である。本実施形態に係る処理装置20は、以下に説明する点を除いて第1の実施形態に係る処理装置20と同じである。
図9は、第3の実施形態に係る予測式生成手段210で行われる機械学習に用いられる予測モデルを例示する図である。本実施形態に係る処理装置20は、以下に説明する点を除いて第2の実施形態に係る処理装置20と同じである。
図10は、第4の実施形態に係る処理装置20の構成を例示する図である。また、図11は、第4の実施形態に係る処理方法を例示するフローチャートである。本実施形態に係る処理装置20は、以下に説明する点を除いて第2および第3の実施形態の少なくともいずれかに係る処理装置20と同じである。
1-1. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出手段と、
前記抽出手段で抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力手段とを備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理装置。
1-2. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力手段とを備える処理装置。
1-3. 1-2.に記載の処理装置において、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出手段をさらに備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理装置。
1-4. 1-1.または1-3.に記載の処理装置において、
前記抽出手段は、抽出された前記センサからなる組み合わせを示す組み合わせ情報を生成し、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価手段をさらに備える処理装置。
1-5. 1-4.に記載の処理装置において、
前記予測式生成手段は、複数の前記集合のそれぞれについて前記機械学習を行い、
前記抽出手段は、前記複数の集合のそれぞれに対し前記組み合わせ情報を生成し、
前記評価手段は、生成された前記複数の組み合わせ情報が示す前記複数の組み合わせをそれぞれ評価し、
前記出力手段は、前記複数の組み合わせのうち前記評価手段による評価結果が最も優れる前記組み合わせを出力する処理装置。
1-6. 1-1.から1-5.のいずれか一つに記載の処理装置において、
前記予測式生成手段は、前記センサの検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記出力手段は、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を、前記予測式を示す情報に関連づけてさらに出力する処理装置。
1-7. 1-6.に記載の処理装置において、
前記機械学習は、前記特徴量に関連づけられた前記センサの検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される処理装置。
1-8. 1-6.または1-7.に記載の処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理装置。
1-9. 1-1.から1-8.のいずれか一つに記載の処理装置において、
前記予測式の予測精度を算出する予測精度算出手段をさらに備える処理装置。
2-1. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出ステップと、
前記抽出ステップで抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力ステップとを含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理方法。
2-2. 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力ステップとを含む処理方法。
2-3. 2-2.に記載の処理方法において、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出ステップをさらに含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理方法。
2-4. 2-1.または2-3.に記載の処理方法において、
前記抽出ステップでは、抽出された前記センサからなる組み合わせを示す組み合わせ情報を生成し、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価ステップをさらに含む処理方法。
2-5. 2-4.に記載の処理方法において、
前記予測式生成ステップでは、複数の前記集合のそれぞれについて前記機械学習を行い、
前記抽出ステップでは、前記複数の集合のそれぞれに対し前記組み合わせ情報を生成し、
前記評価ステップでは、生成された前記複数の組み合わせ情報が示す前記複数の組み合わせをそれぞれ評価し、
前記出力ステップでは、前記複数の組み合わせのうち前記評価ステップにおける評価結果が最も優れる前記組み合わせをさらに出力する処理方法。
2-6. 2-1.から2-5.のいずれか一つに記載の処理方法において、
前記予測式生成ステップでは、前記センサの検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記出力ステップでは、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を、前記予測式を示す情報に関連づけてさらに出力する処理方法。
2-7. 2-6.に記載の処理方法において、
前記機械学習は、前記特徴量に関連づけられた前記センサの検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される処理方法。
2-8. 2-6.または2-7.に記載の処理方法において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理方法。
2-9. 2-1.から2-8.のいずれか一つに記載の処理方法において、
前記予測式の予測精度を算出する予測精度算出ステップをさらに備える処理方法。
3-1. 2-1.から2-9.のいずれか一つに記載の処理方法の各ステップをコンピュータに実行させるプログラム。
Claims (12)
- 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出手段と、
前記抽出手段で抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力手段とを備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理装置。 - 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成手段と、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力手段とを備える処理装置。 - 請求項2に記載の処理装置において、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出手段をさらに備え、
前記抽出手段は、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理装置。 - 請求項1または3に記載の処理装置において、
前記抽出手段は、抽出された前記センサからなる組み合わせを示す組み合わせ情報を生成し、
前記組み合わせを採用する場合のコストに少なくとも基づいて、前記組み合わせを評価する評価手段をさらに備える処理装置。 - 請求項4に記載の処理装置において、
前記予測式生成手段は、複数の前記集合のそれぞれについて前記機械学習を行い、
前記抽出手段は、前記複数の集合のそれぞれに対し前記組み合わせ情報を生成し、
前記評価手段は、生成された前記複数の組み合わせ情報が示す前記複数の組み合わせをそれぞれ評価し、
前記出力手段は、前記複数の組み合わせのうち前記評価手段による評価結果が最も優れる前記組み合わせを出力する処理装置。 - 請求項1から5のいずれか一項に記載の処理装置において、
前記予測式生成手段は、前記センサの検出環境に基づいた分岐を含むモデルを用いて前記予測式を生成し、
前記出力手段は、前記予測式に適した前記検出環境の条件であって、前記分岐の条件に基づく前記検出環境の条件を、前記予測式を示す情報に関連づけてさらに出力する処理装置。 - 請求項6に記載の処理装置において、
前記機械学習は、前記特徴量に関連づけられた前記センサの検出環境をさらに入力とした異種混合学習であり、
前記分岐の条件は、前記異種混合学習により生成される処理装置。 - 請求項6または7に記載の処理装置において、
前記検出環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む処理装置。 - 請求項1から8のいずれか一項に記載の処理装置において、
前記予測式の予測精度を算出する予測精度算出手段をさらに備える処理装置。 - 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式における前記複数の特徴量に対する複数の重みに基づいて、前記集合から一以上の前記センサを抽出する抽出ステップと、
前記抽出ステップで抽出された前記センサおよび抽出されなかった前記センサの少なくとも一方を、識別可能な状態で出力する出力ステップとを含み、
前記抽出ステップでは、前記予測式において、前記複数の重みのうち予め定められた条件を満たす、または満たさない前記重みで重みづけられた前記特徴量の、出力元である前記センサを抽出する処理方法。 - 複数種類のセンサの集合からの出力に基づいた複数の特徴量と正解データとを入力とした機械学習を行うことにより、前記複数の特徴量を変数とする式であって、におい成分に関する予測を行うための予測式を生成する予測式生成ステップと、
前記予測式を示す情報として、前記予測式における前記複数の特徴量に対する複数の重みを、それぞれ前記特徴量に関連づけて出力する出力ステップとを含む処理方法。 - 請求項10または11に記載の処理方法の各ステップをコンピュータに実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/035849 WO2020065806A1 (ja) | 2018-09-27 | 2018-09-27 | 処理装置、処理方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020065806A1 JPWO2020065806A1 (ja) | 2021-09-09 |
JP7063389B2 true JP7063389B2 (ja) | 2022-05-09 |
Family
ID=69949756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020547701A Active JP7063389B2 (ja) | 2018-09-27 | 2018-09-27 | 処理装置、処理方法、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220036223A1 (ja) |
JP (1) | JP7063389B2 (ja) |
WO (1) | WO2020065806A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020026327A1 (ja) * | 2018-07-31 | 2020-02-06 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
JP7224460B2 (ja) | 2019-05-27 | 2023-02-17 | 三菱電機株式会社 | 照明装置 |
US20210102925A1 (en) * | 2019-10-02 | 2021-04-08 | X Development Llc | Machine olfaction system and method |
TWI762853B (zh) * | 2020-01-06 | 2022-05-01 | 宏碁股份有限公司 | 利用自動化機制挑選影響力指標的方法及電子裝置 |
US11657300B2 (en) * | 2020-02-26 | 2023-05-23 | Samsung Electronics Co., Ltd. | Systems and methods for predicting storage device failure using machine learning |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018132325A (ja) | 2017-02-13 | 2018-08-23 | 国立研究開発法人物質・材料研究機構 | ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7044077B2 (ja) * | 2017-02-17 | 2022-03-30 | 日本電気株式会社 | モデル推定システム、方法およびプログラム |
-
2018
- 2018-09-27 US US17/279,315 patent/US20220036223A1/en active Pending
- 2018-09-27 WO PCT/JP2018/035849 patent/WO2020065806A1/ja active Application Filing
- 2018-09-27 JP JP2020547701A patent/JP7063389B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018132325A (ja) | 2017-02-13 | 2018-08-23 | 国立研究開発法人物質・材料研究機構 | ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020065806A1 (ja) | 2021-09-09 |
US20220036223A1 (en) | 2022-02-03 |
WO2020065806A1 (ja) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7063389B2 (ja) | 処理装置、処理方法、およびプログラム | |
Wahl et al. | Assessment of predictive performance in incomplete data by combining internal validation and multiple imputation | |
JP6679086B2 (ja) | 学習装置、予測装置、学習方法、予測方法、およびプログラム | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Kharouba et al. | Do ecological differences between taxonomic groups influence the relationship between species’ distributions and climate? A global meta‐analysis using species distribution models | |
JP7017711B2 (ja) | 関係性分析装置、関係性分析方法およびプログラム | |
Sansó et al. | Statistical calibration of climate system properties | |
Liu et al. | Regression models for estimating product life cycle cost | |
Runge et al. | The causality for climate competition | |
Wheeler | Bayesian additive adaptive basis tensor product models for modeling high dimensional surfaces: an application to high-throughput toxicity testing | |
JP7056747B2 (ja) | 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム | |
JP7140191B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
US12072325B2 (en) | Information processing apparatus, information processing method, and program | |
US11789001B2 (en) | Information processing apparatus, sensor operation optimization method, and program | |
Wang et al. | Nonparametric interval estimators for the coefficient of variation | |
WO2022176293A1 (ja) | 物性予測装置及びプログラム | |
WO2020026328A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
JPWO2020100285A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
Intosalmi et al. | SCHiRM: Single Cell Hierarchical Regression Model to detect dependencies in read count data | |
JP7074194B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
JP7099623B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Beaulieu-Jones et al. | Characterizing and managing missing structured data in electronic health records | |
Rebolledo et al. | Hybrid Variable Selection and Support Vector Regression for Gas Sensor Optimization | |
Puolakanaho | Digital twin using multivariate prediction | |
Park et al. | Assessing the Multi-labelness of Multi-label Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210310 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210310 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220322 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220404 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7063389 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |